在R语言中使用随机森林进行分层抽样

Question

在R语言中使用随机森林进行分层抽样

8

我在randomForest的文档中读到以下内容：

strata：用于分层抽样的（因子）变量。

sampsize：要绘制的样本大小。对于分类问题，如果sampsize是与分层数相同长度的向量，则按分层进行分层抽样，并且sampsize的元素指示从分层中绘制的数量。

参考函数接口如下：

 randomForest(x, y=NULL,  xtest=NULL, ytest=NULL, ntree=500,
              mtry=if (!is.null(y) && !is.factor(y))
              max(floor(ncol(x)/3), 1) else floor(sqrt(ncol(x))),
              replace=TRUE, classwt=NULL, cutoff, strata,
              sampsize = if (replace) nrow(x) else ceiling(.632*nrow(x)),
              nodesize = if (!is.null(y) && !is.factor(y)) 5 else 1,
              maxnodes = NULL,
              importance=FALSE, localImp=FALSE, nPerm=1,
              proximity, oob.prox=proximity,
              norm.votes=TRUE, do.trace=FALSE,
              keep.forest=!is.null(y) && is.null(xtest), corr.bias=FALSE,
              keep.inbag=FALSE, ...)

我的问题是：一个人如何使用strata和sampsize？这里有一个最小化的工作示例，我想测试这些参数：

library(randomForest)
iris = read.table("http://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data", sep = ",", header = FALSE)
names(iris) = c("sepal.length", "sepal.width", "petal.length", "petal.width", "iris.type")

model = randomForest(iris.type ~ sepal.length + sepal.width, data = iris)

> model
500 samples
  6 predictors
  2 classes: 'Y0', 'Y1' 

No pre-processing
Resampling: Bootstrap (7 reps) 

Summary of sample sizes: 477, 477, 477, 477, 477, 477, ... 

Resampling results across tuning parameters:

  mtry  ROC    Sens  Spec  ROC SD  Sens SD  Spec SD
  2     0.763  1     0     0.156   0        0      
  4     0.782  1     0     0.231   0        0      
  6     0.847  1     0     0.173   0        0      

ROC was used to select the optimal model using  the largest value.
The final value used for the model was mtry = 6.

我提出这些参数是因为我希望RF使用符合我的数据中正负比例的Bootstrap样本。

这个其他讨论串开始了关于这个主题的讨论，但最终没有澄清如何使用这些参数。

- Amelio Vazquez-Reina

?randomForest 中展示分层抽样的示例代码不够清晰吗？ - joran

感谢@joran。文档中提供的示例使用sampsize而不是strata。文档仅说明：“strata：用于分层抽样的（因子）变量”。在这种情况下，“使用”一词对我来说不太清楚，可能是因为我对分层抽样和R相对较新。 - Amelio Vazquez-Reina

如果您没有提供响应变量，它可能会默认使用响应变量。如果您想要不同的分层方式，您需要自己提供它。 - joran

1个回答

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- IRTFM · Accepted Answer

这不就像这样吗：

？

model = randomForest(iris.type ~ sepal.length + sepal.width, 
                     data = iris, 
                     sampsize=c(10,10,10), strata=iris$iris.type)

我尝试过使用..., strata=iristype 和 ..., strata='iristype'，但代码无法解释'data'参数环境中的值。我使用了outcome变量是因为它是数据集中唯一的因子变量，但我不认为它必须是outcome变量。事实上，我认为它绝对不应该是outcome变量。这种模型预计会产生无用的输出，只是为了测试语法而提供的。